我很难理解CNN中2个或多个卷积层(每个层后面都有一个池化层(的工作方式。
将输入视为3通道300x300图像。如果第一卷积层具有32个卷积，而第二层具有64个卷积层，则第一层创建32个特征图。但是第二层创建了多少个特征图？64个卷积中的每个卷积是否都作用于之前生成的32个特征图，从而总共创建32*64=2048个特征图？还是发生了其他事情？
与这个问题相关的一个简单代码是：
model = keras.models.Sequential([
keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(300, 300, 3)),
keras.layers.MaxPooling2D(2, 2),
keras.layers.Conv2D(64, (3, 3), activation='relu'),
keras.layers.MaxPooling2D(2, 2)])
输入矩阵的通道数和每个滤波器中的通道数必须匹配，才能执行逐元素乘法
因此，第一次和第二次卷积之间的主要区别是，第一次卷积中输入矩阵中的通道数为3，因此我们将使用32个滤波器，其中每个滤波器有3个通道(内核矩阵的深度(。
对于第二次卷积，输入矩阵有32个通道(特征图(，因此该卷积的每个滤波器也必须有32个信道。例如：64个过滤器中的每一个都将具有32@3x3形状
单个滤波器的卷积步骤的结果32@3x3形状将是WxH(宽度，高度(形状的单个通道。在应用所有64个过滤器(其中每个过滤器都具有形状：32@3x3)我们将得到64个通道，其中每个通道都是单个滤波器卷积的结果。
第一个卷积层有32个滤波器，但它适用于图像的所有三个通道，因此第一个Conv2D之后的特征图为32x3=96，然后第二个Conv2D的64个滤波器分别适用于96个特征图中的每一个，因此第二个Conv2D之后为64x96=。。。(填空(
但为了简单起见，Keras只显示(…，32(或(…，64(。您可以使用model.summary((进行检查。